度量学习用于系统发育不变量
摘要：使用机器学习优化系统发展力量的方法，引入了一种新的方法来构建系统发展树四重组。系统发展不变量是在系统发展树的进化模型下消失的联合概率多项式。我们提供了选择一个好的不变量集合的算法，并学习一个度量来优化区分不同模型。我们的学习算法涉及在广泛参数范围内模拟数据的线性和半定规划。我们对Jukes-Cantor和Kimura 3参数模型下通过模拟数据获得的系统发展树的四叶树进行了大量测试。我们的方法在不变量的使用上有很大改进，与邻居连接相比具有竞争力或更好的表现。特别地，我们获得了在内部分支较短的树上训练的度量，在此参数空间的这个区域上比邻居连接方法表现更好。
作者：Nicholas Eriksson and Yuan Yao
论文ID：q-bio/0703034
分类：Populations and Evolution
分类简称：q-bio.PE
提交时间：2007-05-23